UNIVERSIDAD DEL MAGDALENA

FACULTAD DE INGENIERÍA
ANÁLISIS NUMÉRICO
UNIDAD 3: INTERPOLACIÓN POINIOMIAL
Mg. Alvaro Espinosa Pérez

INTRODUCCIÓN
Los orígenes de la interpolación los podemos encontrar en los intentos de obtener, a partir de las tablas de
valores publicadas para las funciones tradicionales como las raíces cuadradas o las trigonométricas, otros
valores para argumentos que no aparecían en las tablas. La aparición de los computadores ha hecho que esta
necesidad desaparezca prácticamente. De todas formas, la interpolación sigue teniendo un papel central en el
análisis numérico debido a su papel de representar una tabla de valores en términos de una función y viceversa.

La interpolación numérica consiste en estimar valores a partir de unos datos conocidos y considerados como
exactos, a diferencia de los ajustes, donde se considera que los datos son resultado de un experimento y
pueden tener algún tipo de error. La idea es construir una función polinómica que coincida con los datos
conocidos de manera a tener una expresión analítica sencilla que nos permita hacer todo tipo de
manipulaciones.

TEOREMA: (Teorema de aproximación de Weierstrass): Suponga que 𝑓 esta definida y es continua en [𝑎, 𝑏].
Para cada ∈> 0 existe un polinomio 𝑃(𝑥), con la propiedad de que:

|𝑓(𝑥) − 𝑃(𝑥)| < ∈ Para todo 𝑥 en [𝑎, 𝑏]

Es decir, dada una función 𝑓 continua en un intervalo cerrado, podemos

aproximarla mediante un polinomio en cada punto del intervalo con un error
menor que ∈> 0. El problema es que el polinomio del teorema no es sencillo de
construir. El interés de utilizar polinomios está en la facilidad de integrarlos,
derivarlos o calcular con ellos.

DEFINICIÓN: Dados 𝑛 + 1 puntos distintos 𝑎 ≤ 𝑥1 ≤ 𝑥2 ≤ ⋯ ≤ 𝑥𝑛−1 ≤ 𝑏 de un intervalo [𝑎, 𝑏], llamados

nodos de la interpolación, y 𝑛 + 1 números reales 𝑦0, 𝑦1, 𝑦2, ⋯ , 𝑦𝑛−1 , 𝑦𝑛 llamados valores de la interpolación,
la interpolación trata de encontrar una función 𝑓 de grado ≤ 𝑛 tal que 𝑓(𝑥𝑖 ) = 𝑦𝑖 para 𝑖 = 0,1. 2, … , 𝑛.

La interpolación es el proceso de determinar una función que represente exactamente una colección de datos.
El tipo más elemental de interpolación, consiste en ajustar un polinomio a una colección de puntos dados.

TEOREMA: Dados 𝑛 + 1 puntos (𝑥0 , 𝑦0 ), (𝑥1 , 𝑦1 ), , . . . , (𝑥𝑛 , 𝑦𝑛 ), con 𝑥𝑖 ≠ 𝑥𝑗 si 𝑖  𝑗; existe un único polinomio
𝑃𝑛 (𝑥) de grado  𝑛 tal que 𝑃(𝑥𝑖 ) = 𝑦𝑖 , para 𝑖 = 0, 1, . . . , 𝑛

A continuación se describe la construcción de polinomios de interpolación a partir de una colección de puntos

por donde la gráfica debe pasar. La diferencia entre una u otra, radica en la forma de expresar dicho polinomio,
dado que el polinomio de interpolación es único

POLINOMIO DE TAYLOR
Nos detendremos especialmente en el teorema de Taylor, justificando la introducción del polinomio de Taylor
como la mejor aproximación lineal, cuadrática, y en general polinómica de una función en un punto. Haremos
ver qué consecuencias teóricas de aproximar el valor de algunas funciones acotando el error cometido.
TEOREMA DE TAYLOR: Supongamos que 𝑓 ∈ 𝐶 𝑛 [𝑎, 𝑏], que 𝑓 (𝑛+1) existe en [𝑎, 𝑏]. Para cada 𝑥[𝑎, 𝑏],
existe un número (x) entre 𝑥0 y 𝑥 tal que:

𝑓(𝑥) = 𝑃𝑛 (𝑥) + 𝑅𝑛 (𝑥)

Donde:
𝑛
𝑓′′(𝑥0 ) 𝑓 (𝑛) (𝑥0 ) 𝑓 (𝑘) (𝑥0 )
𝑃𝑛 (𝑥) = 𝑓 (𝑥0 ) + 𝑓`′(𝑥0 )(𝑥 − 𝑥0 ) + (𝑥 − 𝑥0 )2 + ⋯ + (𝑥 − 𝑥 0 )𝑛 = ∑ (𝑥 − 𝑥 0 )𝑘
2! 𝑛! 𝑘!
𝑘=0
Y
𝑓 (𝑛+1) ((𝑥 ))
𝑅𝑛 (𝑥) = | | (𝑥 − 𝑥0 )𝑛+1
(𝑛 + 1)!

Tenemos entonces que Pn (x) se llama el n-ésimo polinomio de Taylor para 𝑓 respecto a x0 , y 𝑅𝑛 (𝑥) se llama
el término del residuo o error de truncamiento asociado a Pn (x).

La serie infinita al tomar el límite de 𝑃𝑛 (𝑥) cuando 𝑛 → ∞ es la serie de Taylor para f en torno a 𝑥0 . Si
𝑥0 = 0 el polinomio de Taylor se le llama polinomio de M’Claurin.

Los posibles problemas de esta aproximación son varios:

1. La aproximación está fuertemente limitada por la regularidad de 𝑓, no siempre tienen por qué existir
tantas derivadas.
2. La aproximación puede estar limitada a los valores que distan de 𝑥0 menos que un cierto radio de
convergencia.
3. En cuanto estamos algo lejos de 𝑥0 y |𝑥 − 𝑥0 | no es pequeño, la aproximación no es buena en
general. Puede incluso existir la serie de Taylor y converger a la función, pero puede ser necesario
tomar muchos términos para que el error sea pequeño, es decir, el polinomio que hay que considerar
es de grado muy alto.

Ejemplo: Determine el polinomio de Taylor de segundo grado para aproximar 𝑓(𝑥) = 𝑐𝑜𝑠(𝑥) si 𝑥 = 0.01,
en torno a 𝑥0 = 0.
Solución: Se tiene que f es continua para todo 𝑥 ∈ 𝑅, el teorema de Taylor se aplica para cualquier para 𝑛  0,

𝑓(𝑥) = 𝑐𝑜𝑠 (𝑥) ⇒ 𝑓(𝑥0 ) = 𝑐𝑜𝑠 (𝑥0 ) ⇒ 𝑓(0) = 1

𝑓’(𝑥) = −𝑠𝑒𝑛(𝑥) ⇒ 𝑓 ′ (𝑥0 ) = −𝑠𝑒𝑛 (𝑥0 ) ⇒ 𝑓’(0) = 0
𝑓’’(𝑥) = − cos(𝑥) ⇒ 𝑓′′(𝑥0 ) = −𝑐𝑜𝑠 (𝑥0 ) ⇒ 𝑓’’ (0) = −1
Luego.
f k ( x0 )
 (x − x0 )k
2
𝑃2 (𝑥) =
k =0 k!
𝑓´´(𝑥0 )
𝑃2 (𝑥) = 𝑓(𝑥0 ) + 𝑓 ′ (𝑥0 )(𝑥 − 𝑥0 ) + (𝑥 − 𝑥0 )2
2!

𝑥2
𝑃2 (𝑥) = 1 + 0 −
2
𝑥2
𝑃2 (𝑥) = 1 −
2
Al remplazar 𝑥 = 0.01 tenemos:
(0,001)2
𝑃2 (0.01) = 1 − = 0,99995
2

Y como 𝐶𝑜𝑠(0.01) = 0.999999984, es una aproximación aceptable.

Calculemos el error o residuo:
( n +1)
( ( x))
Rn (x) = f ( x − x0 ) ( n+1)
(n + 1)!

𝑓 (′′′) (𝑥) = 𝑠𝑒𝑛(𝑥) ⇒ 𝑓 (′′′) (𝜉(𝑥)) = sen(𝜉(𝑥))

sen ( ( x)) 3 x 3
R3 ( x) = x = sen ( ( x))
3! 6

Como: 𝑥0 < 𝜀 (𝑥) < 𝑥 entonces tenemos que 0 < 𝜀(𝑥) < 0.01, entonces:

𝑥3 (0,01)3
𝑅2 (𝑥) = | 𝑠𝑒𝑛(𝜉(𝑥))| < | 𝑠𝑒𝑛(0,01)| = 1,66 𝑥 10−9
6 6

EL POLIONOMIO DE LAGRANGE
Lagrange (1736-1813) fue uno de los más grandes matemáticos de su tiempo, descubrió que se puede
encontrar un polinomio interpolante de grado menor o igual que n, que sea combinación lineal de los valores
de los 𝑛 + 1 puntos en la función. Lagrange calculó el único polinomio interpolante de manera explícita.

Presentamos ahora un método para calcular el polinomio interpolador 𝑃𝑛 (𝑥) asociado a una tabla de datos
(𝑥𝑖 , 𝑓𝑖 ) con 𝑖 = 0, 1, . . . , 𝑛. Este método, el método de Lagrange, es el más explícito, aunque no el más
eficaz por lo que se refiere al número de operaciones requeridas.

DEFINICIÓN: El método consiste en construir el polinomio interpolador de grado 𝑛 que pasa por 𝑛 + 1 puntos
(𝑥𝑖 , 𝑦𝑖 ) que tiene la forma:
𝑛

𝑃𝑛 (𝑥) = ∑ 𝑓(𝑥𝑘 )𝐿𝑛,𝑘 (𝑥)

𝑘=0

Donde 𝐿𝑛,𝑘 (𝑥) es el polinomio de Lagrange para los nodos 𝑥0 , 𝑥1 , ⋯ , 𝑥𝑛 definido por:
𝑛
(𝑥 − 𝑥𝑗 ) (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑘−1 )(𝑥 − 𝑥𝑘+1 ) … (𝑥 − 𝑥𝑛 )
𝐿𝑛,𝑘 (𝑥) = ∏ =
(𝑥𝑘 − 𝑥𝑗 ) (𝑥𝑘 − 𝑥0 )(𝑥𝑘 − 𝑥1 ) … (𝑥𝑘 − 𝑥𝑘−1 )(𝑥𝑘 − 𝑥𝑘+1 ) … (𝑥𝑘 − 𝑥𝑛 )
𝑗=0,𝑗≠𝑘

Esta formulación tiene la desventaja de que, si se desea agregar un punto extra al conjunto de puntos, se deben
volver a realizar todos los cálculos para la obtención del polinomio.

TEOREMA (de interpolación de Lagrange).

Dados 𝑛 + 1 valores diferentes: 𝑥0 , 𝑥1 , 𝑥2 , . . . , 𝑥𝑛 , y dada 𝑓 (definida en los puntos 𝑥𝑖 ), existe un único
polinomio de grado 𝑛 (ocasionalmente menor que 𝑛), 𝑃𝑛 (𝑥), tal que

∀𝑘 = 0, . . . , 𝑛, 𝑓(𝑥𝑘 ) = 𝑃𝑛 (𝑥𝑘 ),
y ese polinomio es:
𝑛 𝑛 𝑛
(𝑥 − 𝑥𝑗 )
𝑃𝑛 (𝑥) = ∑ 𝐿𝑛,𝑘 (𝑥)𝑓(𝑥𝑘 ) = ∑ ( ∏ ) 𝑓(𝑥𝑘 )
(𝑥𝑘 − 𝑥𝑗 )
𝑘=0 𝑘=0 𝑗=0,𝑗≠𝑘

que llamamos polinomio interpolante, o interpolador, de Lagrange.

Un cálculo sencillo permite demostrar que, para cada 𝑘 fijo, 𝐿𝑛,𝑘 (𝑥)cumple que:

𝐿𝑛,𝑘 (𝑥𝑗 ) = 1 𝑠𝑖 𝑗 = 𝑘
𝐿𝑛,𝑘 (𝑥𝑗 ) = 0 𝑠𝑖 𝑗 ≠ 𝑘
El error 𝐸𝑛 (𝑥) está dado por la fórmula:

𝑓 (𝑛+1) ((𝑥 ))
𝐸𝑛 (𝑥) = (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛 )
(𝑛 + 1)!

Donde el número 𝜉(𝑥) ∈ 𝑥0 , 𝑥1 , ⋯ , 𝑥𝑛 , su valor en cualquier otro punto es desconocido. Es importante notar
que cuanto más lejos de 𝑥 se toma un valor, mayor será su error.

El método de Lagrange permite construir fácilmente de forma explícita, el polinomio interpolador. Dos de las
interpolaciones más utilizados son las interpolaciones lineal y parabólica.

Ejemplos:
1. Sea 𝑓(𝑥) = 𝑒 𝑥 , 0  𝑥  2. Calcule 𝑃𝑛 (𝑥) con ayuda del polinomio de Lagrange con 𝑥0 = 0,
𝑥1 = 1, y 𝑥2 = 2
Solución:
Consideremos los nodos: 𝑥0 = 0, 𝑥1 = 1, y 𝑥2 = 2.

Hallemos los polinomios de Lagrange de segundo grado para este caso:

(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
𝐿 0 (𝑥 ) =
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 )
(𝑥 − 𝑥0 )(𝑥 − 𝑥2 )
𝐿1 (𝑥) =
(𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 )
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
𝐿 2 (𝑥 ) =
(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )
Luego:
(𝑥−1)(𝑥−2) 1
𝐿 0 (𝑥 ) = = 2 (𝑥 2 − 3𝑥 + 2)
(0−1)(0−2)
(𝑥−0)(𝑥−2)
𝐿1 (𝑥 ) = (1−0)(1−2)
= −(𝑥 2 − 2𝑥)
(𝑥−0)(𝑥−1) 1
𝐿2 (𝑥 ) = = 2 (𝑥 2 − 𝑥)
(2−0)(2−1)

Luego el polinomio de Lagrange es:

𝑃2 (𝑥) = 𝑓(𝑥0 )𝐿0 (𝑥) + 𝑓(𝑥1 )𝐿1 (𝑥) + 𝑓(𝑥2 )𝐿2
Entonces:
1 1
𝑃2 (𝑥 ) = [ (𝑥 2 − 3𝑥 + 2)] 𝑒 0 + [−(𝑥 2 − 2𝑥)]𝑒 1 + [ (𝑥 2 − 𝑥)] 𝑒 2
2 2
Ahora, si 𝑥 = 1,5
1 1
𝑃2 (1,5) = [ (1,52 − 3(1,5) + 2)] 𝑒 0 + [−(1,52 − 2(1,5))]𝑒 1 + [ (1,52 − 1,5)] 𝑒 2
2 2
𝑃2 (1,5) ≈ 4,6846
 Calculemos su cota de error:
𝑓 ′′′ ((𝑥 ))
𝐸2 (𝑥 ) = (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
3!
𝑓(𝑥) = 𝑒 𝑥 ⟹ 𝑓`(𝑥) = 𝑒 𝑥 , 𝑓 ′′ (𝑥) = 𝑒 𝑥 𝑦 𝑓′′′(𝑥) = 𝑒 𝑥
En consecuencia, el segundo polinomio de Lagrange tiene el error de la forma:
𝑒 (𝜉(𝑥))
𝐸2 (𝑥 ) = (𝑥 − 0)(𝑥 − 1)(𝑥 − 2)
3!
El valor máximo de 𝑒 (𝜉(𝑥))) en el intervalo es 𝑒 2 , entonces:
𝑒2
|𝐸2 (𝑥 )| ≤ | (1,5 − 0)(1,5 − 1)(1,5 − 2)| ≈ 0.4618
3!
2. Use un polinomio interpolante de Lagrange de grado 3 para aproximar 𝑓(1.5), considerando los datos
en la siguiente tabla:
x f(x)
1,0 0,7651977
1,3 0,6200860
1,6 0,4554022
1,9 0,2818186

Solución: Sean los nodos 𝑥0 = 1.0, 𝑥1 = 1.3, 𝑥2 = 1.6 y 𝑥3 = 1.9. Consideraremos un polinomio
de Lagrange de grado tres. Entonces:

L0 (x ) =
(x − 1.3)(x − 1.6)(x − 1.9 ) = ( x 2 − 2.9 x + 2.08)(x − 1.9 ) = 1
( x 3 − 4.8 x 2 + 7.59 x − 3.932)
(1 − 1.3)(1 − 1.6)(1 − 1.9 ) − 0.162 − 0.162

L1 (x ) =
(x − 1.0)(x − 1.6)(x − 1.9 ) = ( x 2 − 2.6 x + 1.6)(x − 1.9 ) = 1 ( x 3 − 4.5 x 2 + 6.54 x − 3.04)
(1.3 − 1.0)(1.3 − 1.6)(1.3 − 1.9) 0.054 0.054

L2 (x ) =
(x − 1.0)(x − 1.3)(x − 1.9) = ( x 2 − 2.3x + 1.3)(x − 1.9) = 1 ( x 3 − 4.2 x 2 + 5.67 x − 2.47)
(1.6 − 1.0)(1.6 − 1.3)(1.6 − 1.9) − 0.054 − 0.054

L3 (x ) =
(x − 1.0)(x − 1.3)(x − 1.6) = ( x 2 − 2.3x + 1.3)(x − 1.6) = 1 ( x 3 − 3.9 x 2 + 4.98 x − 2.08)
(1.9 − 1.0)(1.9 − 1.3)(1.9 − 1.6) 0.081 0.081

Como el polinomio de Lagrange tiene la forma:

𝑃(𝑥) = 𝑓(𝑥0 )𝐿0 (𝑥) + 𝑓(𝑥1 )𝐿1 (𝑥) + 𝑓(𝑥2 )𝐿2 (𝑥) + 𝑓(𝑥3 )𝐿3 (𝑥)
Entonces:
𝑃3 (𝑥) = (0.7651977)[ 1
( x 3 − 4.8 x 2 + 7.59 x − 3.932 ) ]
− 0.162

+ (0.6200860)[ 1
( x 3 − 4.5 x 2 + 6.54 x − 3.04) ]
0.054

+ (0.4554022)[ 1
( x3 − 4.2 x 2 + 5.67 x − 2.47 ) ]
− 0.054

+ (0.2818186)[ 1
( x3 − 3.9 x 2 + 4.98 x − 2.08) ]
0.081
APROXIMACIÓN POLINOMINAL DE NEWTON
La manera más conocida para calcular la representación de Newton del polinomio interpolante, está basada en
el método de diferencias divididas. Una gran ventaja sobre la forma clásica del método de Lagrange es que
podemos agregar más nodos a la tabla de datos y obtener el polinomio interpolante sin tener que recalcular
todo. Aún más, el método de diferencias divididas tiene aplicaciones adicionales en otros contextos.

El método de Newton de diferencias divididas es otra forma de obtener el polinomio interpolador. Por inducción
se puede establecer que, en general, para un polinomio de grado 𝑛, el polinomio interpolador de Newton se
escribe de la forma:

𝑃𝑛 (𝑥) = 𝑎0 + (𝑥 − 𝑥0 )𝑎1 + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )𝑎2 +··· +(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) ··· (𝑥 − 𝑥𝑛−1 )𝑎𝑛

y el algoritmo proporciona una regla para obtener los coeficientes 𝑎0 , 𝑎1 , … , 𝑎𝑛 . Imponiendo que el polinomio
interpolador pase por los puntos de interpolación, obtenemos:

𝑎0 = 𝑓[𝑥0 ]
𝑎1 = 𝑓[𝑥0 , 𝑥1 ]
𝑎2 = 𝑓[𝑥0 , 𝑥1 , 𝑥2 ]
⋮
𝑎𝑛 = 𝑓[𝑥0 , 𝑥1 , 𝑥2 , … , 𝑥𝑛 ]

De estas ecuaciones, es obvio que a0 depende sólo de x0, a1 de x0 y x1 y así sucesivamente. Introducimos la
nueva notación 𝑎0 = 𝑓[𝑥0 ], 𝑎1 = 𝑓[𝑥0 , 𝑥1 ], y así sucesivamente, con 𝑓[𝑥0 ] = 𝑓 (𝑥0 ), como se ve de la
primera ecuación. Si restando las dos primeras ecuaciones (primera diferencia) obtenemos:

𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑎1 = 𝑓[𝑥0 , 𝑥1 ] =
𝑥1 − 𝑥0

Restando la segunda y la tercera ecuación obtenemos:

𝑓(𝑥2 ) − 𝑓(𝑥0 ) − 𝑓 [𝑥0 , 𝑥1 ](𝑥2 − 𝑥0 ) 𝑓 (𝑥2 ) − 𝑓(𝑥1 ) 𝑓 (𝑥1 ) − 𝑓 (𝑥0 )

𝑎2 = 𝑓[𝑥0 , 𝑥1 , 𝑥2 ] = =( − ) /𝑥2 − 𝑥0
(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 ) 𝑥2 − 𝑥1 𝑥1 − 𝑥0
𝑓[𝑥1 , 𝑥2 ] − 𝑓[𝑥0 , 𝑥1 ]
𝑎2 =
𝑥2 − 𝑥0
Podemos proceder de igual modo para demostrar que la n-ésima diferencia dividida es:

𝑓[𝑥1 , … , 𝑥𝑛 ] − 𝑓[𝑥0 , … , 𝑥𝑛−1 ]

𝑎𝑛 = 𝑓[𝑥0 , 𝑥1 , … , 𝑥𝑛 ] =
𝑥𝑛 − 𝑥0

Estas diferencias se usan para evaluar los coeficientes de la ecuación, los cuales se sustituyen en la ecuación,
para obtener el polinomio de interpolación:
𝑛 𝑖−1

𝑃𝑛 (𝑥 ) = ∑ 𝑎𝑖 ∏(𝑥 − 𝑥𝑗 )
𝑖=1 𝑗=0

Al cual se le llama Polinomio de Interpolación con Diferencias Divididas de Newton.

El método de Newton es especialmente indicado en el caso de que deseemos realizar muchas evaluaciones
del polinomio interpolador, ya que da el polinomio preparado para ser evaluado por el algoritmo de Horner. Otro
aspecto particularmente conveniente es que, si deseamos aumentar el orden del polinomio interpolador, los
coeficientes 𝑎𝑘 ya calculados permanecen inalterados, es decir, no destruimos el trabajo ya realizado cuando
deseamos aumentar el orden del polinomio interpolador. Se dice en este caso que los coeficientes 𝑎𝑘 tienen la
propiedad de permanencia.

El método de Newton permite obtener los coeficientes del polinomio interpolador fácilmente en forma de tabla,
Los valores ubicados sobre la diagonal de la tabla son los coeficientes del polinomio de Newton. Si los datos
son copiados en diferente orden, los valores de la tabla cambiaran, pero el polinomio resultante será el mismo.

Damos a continuación la tabla para el caso de 4 puntos:

CUADRO DE DIFERENCIAS DIVIDIDAS

Las ventajas del cálculo mediante tablas de diferencias divididas son, por ejemplo, que:
1. Se puede calcular explícitamente cada coeficiente sobre la diagonal superior.
2. Se sigue un sencillo algoritmo, que de hecho se puede implementar en un ordenador, para encontrar
las diferencias divididas.
3. Si partimos de una tabla de datos e interesa estimar el valor en un punto cualquiera, podemos añadir
valores, esto es probando polinomios de distinto grado.
4. Si tenemos que añadir un punto, podemos hacerlo por abajo, con lo que los cálculos por efectuar son
mínimos.
5. En una misma tabla tenemos los coeficientes de varios polinomios, basta con tomar una diagonal
cualquiera.
6. El orden de los puntos en la tabla no afecta al resultado, pero si a los polinomios de grado menor que
podemos obtener de ella.
7. En caso de datos superfluos, los coeficientes correspondientes se anulan automáticamente.

Ejemplos:
1. Elabore una aproximación polinomial de Newton para la información tabular de las presiones de vapor
de la acetona e interpole la temperatura para una presión de 2 atm.

Puntos 0 1 2 3
P(atm) 1 5 20 40
T(°C) 56,5 113,0 181,0 214,5

Solución:
Si tomamos 𝑛 = 3 nodos tenemos lo siguiente: 𝑥0 = 1, 𝑥1 = 5 𝑦 𝑥2 = 20
 Para el cálculo de los coeficientes del polinomio de Newton, se construye la tabla de diferencias divididas
de la siguiente manera:
𝑎0 = 𝑓(𝑥0 )

𝑓(𝑥1 ) − 𝑓(𝑥0 ) 113 − 56.5

𝑎1 = 𝑓[𝑥0 , 𝑥1 ] = = = 14,125
𝑥1 − 𝑥0 5−1
⋮
𝑓[𝑥1 , 𝑥2 , 𝑥3 ] − 𝑓[𝑥0 , 𝑥1 , 𝑥2 ] −0,08167 − (−0,50482)
𝑎𝑛 = = = 0,01085
𝑥3 − 𝑥0 40 − 1

Y así formamos la tabla:

Que sustituidas generan el polinomio de aproximación:

𝑃𝑛 (𝑥) = 𝑎0 + (𝑥 − 𝑥0 )𝑎1 + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )𝑎2 +··· +(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )𝑎3

𝑃3 (𝑥 ) = 56.5 + 14. 125(𝑥 − 1) − 0.50482(𝑥 − 1)(𝑥 − 5) + 0.01085(𝑥 − 1)(𝑥 − 5)(𝑥 − 20)
Ahora si 𝑥 = 2, entonces:
𝑃3 (2) = 56.5 + 14.125(2 − 1) − 0.50482(2 − 1)(2 − 5) + 0.01085(2 − 1)(2 − 5)(2 − 20)
𝑃3 (2) = 70.7 °𝐶
Luego una aproximación polinomial de Newton para la información tabular de las presiones de vapor de la
acetona para una presión de 2 atm es de 70,7 °C.
2. Considere la siguiente tabla:

𝒙 1.0 1.3 1.6 1.9 2.2

𝒇(𝒙) 0.7651977 0.6200860 0.4554022 0.2818186 0.1103623

Halle el polinomio interpolante de Newton de grado 4.

Solución:
Los coeficientes del polinomio interpolante de Newton están a lo largo de la diagonal de la tabla de
diferencias divididas:
Luego el polinomio es:

𝑃4 (𝑥) = 0,7651977 − 0,4837057(𝑥 − 1,0) − 0,1087339(𝑥 − 1,0)(𝑥 − 1,3)

+ 0,0658784(𝑥 − 1,0)(𝑥 − 1,3)(𝑥 − 1,6)
+ 0,0018251(𝑥 − 1,0)(𝑥 − 1,3)(𝑥 − 1,6)(𝑥 − 1,9)

Si queremos evaluar 𝑓(1,5) tenemos:

𝑃4 (1,5) = 0,7651977 − 0,4837057(1,5 − 1,0) − 0,1087339(1,5 − 1,0)(1,5 − 1,3)

+ 0,0658784(1,5 − 1,0)(1,5 − 1,3)(1,5 − 1,6)
+ 0,0018251(1,5 − 1,0)(1,5 − 1,3)(1,5 − 1,6)(1,5 − 1,9)

Con lo cual tenemos que:

𝑓(1,5) = 0,5118200

El error al interpolar se puede expresarse en términos de derivadas de 𝑓 cuando es suficientemente suave.

TEOREMA: Sea 𝑓 una función de clase 𝐶 𝑛+1 [𝑎, 𝑏], y sea 𝑃𝑛 un polinomio de grado menor o igual que 𝑛 que
interpola a la función 𝑓 en los siguientes 𝑛 + 1 puntos {𝑥0 , 𝑥1 , . . . , 𝑥𝑛 } ⊂ [𝑎, 𝑏] distintos dos a dos.
Entonces, para cualquier 𝑥 ∈ [𝑎, 𝑏], existe un punto 𝜉(𝑥) ∈ (𝑎, 𝑏) tal que:
𝑛
𝑓 (𝑛+1) (𝜉(𝑥))
|𝑓(𝑥) − 𝑃𝑛 (𝑥) | ≤ ∏|(𝑥 − 𝑥𝑖 )|
(𝑛 + 1)!
𝑖=0
Con
𝑀 = max |𝑓 (𝑛+1) (𝜉(𝑥))|
𝑥∈[𝑎,𝑏]

En particular, si 𝑥 no es uno de los nodos 𝑥𝑖 ; 𝑖 = 0,1, … , 𝑛; el error al interpolar también puede escribirse
así:
𝑛

|𝑓(𝑥) − 𝑃𝑛 (𝑥) | ≤ 𝑓[𝑥0 , 𝑥1 , … , 𝑥𝑛 , 𝑥 ] ∏(𝑥 − 𝑥𝑖 )

𝑖=0
Ejemplo. ¿Con qué grado de exactitud podemos calcular √115 mediante interpolación polinómica para la
función 𝑓(𝑥) = √𝑥 sí elegimos los puntos 𝑥0 = 100, 𝑥1 = 121, 𝑥2 = 144?
Solución: Tenemos que:
1 1 3 3
𝑓(𝑥 ) = √𝑥 ⇒ 𝑓 ′ (𝑥 ) = 𝑥 −1/2 ⇒ 𝑓 ′′ (𝑥 ) = − 𝑥 −2 ⇒ 𝑓 ′′′ (𝑥 ) = 𝑥 −5/2
2 4 8
Entonces:
3 1 3
𝑀 = max |𝑓′′′(𝑥)| = = 10−5
𝑥∈[100,144] 8 1005/2 8
Si 𝑥 = 115, tenemos:

𝑛
𝑓 (𝑛+1) (𝜉(𝑥))
𝐸 = |𝑓(𝑥) − 𝑃2 (𝑥) | ≤ ∏|(𝑥 − 𝑥𝑖 )|
(𝑛 + 1)!
𝑖=0

3 1
𝐸 = |𝑓(𝑥) − 𝑃2 (𝑥) | ≤ 10−5 ( ) |(115 − 100)(115 − 121)(115 − 144)|
8 3!

𝐸 = |𝑓(𝑥) − 𝑃2 (𝑥) | ≤ 1,6 𝑥 10−3

EJERCICIOS EN CLASES
3
1. Dada la función 𝑓(𝑥) = √1 + 𝑥 . Hallar el polinomio de Taylor de tercer grado de 𝑓 en torno a
3
x0 = 0 y aproxima el valor de √1,25, de una estimación del error cometido.

1 − √𝑥
2. Considerar la función 𝑓(𝑥) =
𝑥2
a. Calcular el polinomio de Lagrange 𝑃3 (𝑥) que interpola a 𝑓(3,2) en los nodos {2, 3, 3.5, 4}.
b. Hallar el polinomio interpolante de Newton. Calcular 𝑓(3,2).
c. Compara tu respuesta con el método anterior y obtén alguna

3. La distancia requerida para detener un automóvil que marcha a cierta velocidad tras pisar el freno (a
fondo) es una función de dicha velocidad. Se han recogido los siguientes datos experimentales para
cuantificar esa relación:

a. Utilice el polinomio que interpola estos datos para estimar la distancia de frenado del automóvil si
frena a fondo cuando marcha a una velocidad de 65 km/h.
b. Teniendo en cuenta los resultados del apartado anterior, ¿le parece acertado hacer estimaciones
de la distancia de frenado usando el polinomio de interpolación? ¿Por qué?